RAG 工程化六步：从文档解析到引用溯源

第一步：文档解析

企业文档中表格、多栏版面、扫描件占比很高。通用解析器把表格拆成乱序文本，是后续所有环节失效的起点。需要 OCR、版面分析与表格还原能力，对 PDF、Word、PPT、图片分别选用合适的解析路径，并保留标题层级与页码等元数据。

第二步：智能切分

按固定字数切分会把一条完整的制度条款切成两半。更好的做法是按语义与标题层级切分，加入重叠窗口，并采用父子分块：检索用小块保证精度，返回给模型时带上父块保证上下文完整。

第三步：向量化

通用 Embedding 模型对行业术语与内部缩写的表示能力有限。在有一定标注数据后，用领域数据微调 Embedding 通常能把召回率提升 5–15 个百分点。多向量表示（同一块生成摘要向量与原文向量）对长文档效果更好。

第四步：混合检索

向量检索擅长语义相近，BM25 擅长精确匹配型号、编号、人名。两者融合并加上查询改写（同义扩展、HyDE）是目前的稳定做法。知识图谱在需要多跳推理的场景（「A 部门的上级部门负责人是谁」）中补足两者的短板。

第五步：重排压缩

召回 20–50 个候选片段后用 Rerank 模型精排，取前 5–8 个进入生成。上下文压缩去掉与问题无关的句子，既省 Token 又减少模型被无关内容带偏的概率。

第六步：生成溯源

要求模型在回答中标注引用的片段编号，渲染时转为可点击的原文链接。忠实度校验检查回答中的每个断言是否能在检索片段中找到依据，找不到的标记为「未经证实」而不是直接输出。

用评测集分层定位

先看召回率（该找的片段找到了吗），再看重排（相关片段排前面了吗），最后看生成（模型是否忠实于检索到的内容）。

每一层单独出指标，才能知道该改解析器、换 Embedding 还是调提示词。没有分层指标的 RAG 优化，本质上是在猜。